基于IKH優化S-GRU的輸電線路故障辨識模型設計

摘 要：準確辨識輸電線路的故障類型和故障位置屬于電力運維工作的重要內容。為了達到該目標，本文提出基于孿生神經網絡（SNN）和門控循環單元（GRN）的S-GRN故障辨識模型，并且運用改進磷蝦算法（IKH）對該模型中的權值參數進行尋優，經過大量訓練后產生成熟的模型。在性能仿真階段，運用MATLAB軟件構建輸電線路，分別模擬單相接地短路、兩相間短路、兩相接地短路、三相短路4種故障類型，檢測故障辨識模型的應用效果。結果顯示，在不同故障距離或者過渡電阻條件下，模型對4種故障的平均識別準確率均達到96.25%以上。研究結論如下，IKH優化S-GRU輸電線路故障辨識模型優于同類算法模型，整體分類準確率較高。

關鍵詞：IKH；S-GRN；輸電線路；故障識別模型

中圖分類號：TM 75" " 文獻標志碼：A

輸電線路受到覆冰、鳥類活動、風偏作用等因素的影響，容易出現各種類型的接地和相間短路故障，從而影響輸電線路的穩定性。在故障發生后，需要根據異常的電壓、電流數據，快速定位故障位置和類型，以便開展故障修復工作。

當前，以人工智能技術為基礎的自動化故障辨識方法成為重要的發展方向。王子康[1]分析了卷積神經網絡和支持向量機在輸電線路故障診斷及預測中的應用方法。楊東寧等[2]運用長短期記憶網絡和變分模態分解技術診斷輸電線故障類型。趙巖等[3]利用改進梯度提升樹算法診斷輸電線故障類型。

本文利用SNN網絡和GRU構建了S-GRU故障辨識模型，為了使該模型達到最佳的故障辨識效果，運用改進磷蝦算法對模型中的關鍵取值參數進行尋優。經仿真檢驗，該模型對各種接地和短路故障均達到了較高的故障辨識水平。

1 基于IKH優化S-GRU的輸電線路故障辨識模型設計

1.1 故障識別模型應用流程設計

故障識別模型的應用流程（如圖1所示）主要分為模型訓練階段和故障檢測階段。在模型訓練階段，采集輸電線路故障前后的數據，對其進行預處理，剔除不符合標準的數據。再利用處理后的數據訓練基于改進磷蝦群（Improved Krill Herd，IKH）算法優化的S-GRN故障識別模型。其中，S-GRN為孿生神經網絡（Siamese Neural Network，SNN）和門控循環單元（Gated Recurrent Unit，GRU）相融合的故障辨識模型[4]。

1.2 故障識別模型技術要點設計

1.2.1 故障樣本數據采集

本文建立的故障識別模型主要針對輸電線路的各種短路故障，具體包括單相接地短路、兩相間短路、兩相接地短路、三相短路。當輸電線路出現短路故障時，可通過電壓互感器、電流互感器等電力傳感器采集故障電壓和電流數據，為后續的故障類型識別提供依據。

1.2.2 數據預處理

數據預處理的目的在于提取輸電線路故障電壓特征量，提取方法為變分模態分解（Variational Mode Decomposion，VMD），具體的實施流程如下：采集4種短路故障電壓信號→對電壓信號進行VMD分解→求得短路電壓的本征模態函數（Intrinsic Mode Function，IMF）分量→計算IMF分量的排列熵→對排列熵進行歸一化處理→得到故障特征向量。

假設IMF分量為X={x（1），x（2），...，x（k）}，對X進行空間重構，可得到矩陣Y，如公式（1）所示。

（1）

式中：Y為IMF分量經過空間重構后得到的矩陣；τ為延遲時間；m為嵌入維數。

按照由低到高的順序對矩陣Y中的第i（i=1，2，3，...，k）行元素進行排序，再根據排序結果，為第i行中的每一個元素設置一個索引號，分別記為j1、j2、...、jm，則該行元素的索引序列為s（i）={j1，j2，...，jm}，i=1，2，3，...，k。此時，IMF分量排列熵的計算方法如公式（2）所示。

（2）

式中：Hp（m）為IMF分量的排列熵，該數值是與嵌入維數m相關的變量；Pi為矩陣Y中第i行元素索引序列s（i）出現的概率，并且有Pi=lnm！。

在數據預處理階段，需要對Hp（m）進行歸一化，如公式（3）所示。

（3）

式中：Hp1（m）為Hp（m）經過歸一化處理后的結果，此時滿足0lt;Hp1（m）lt;1；m！為嵌入維數m的階乘運算。

1.2.3 基于S-GRU的故障識別

S-GRU故障識別模型基于孿生神經網絡（SNN）和門控循環單元（GRN），SNN神經網絡具有2個子網絡，故障識別模型將2個子網絡均設置為GRN。按照第1.2.2節提取特征向量，向S-GRU的2個子網絡輸入2個特征向量，分別記為X1、X2[5]。經過S-GRU的處理，將X1、X2對應的輸出結果分別記為Gw（X1）、Gw（X2），則特征向量X1、X2的相似性如公式（4）所示。

Dw=||Gw（X1）-Gw（X2）|| （4）

式中：Dw為特征向量X1、X2的相似性，屬于無量綱參數。

在故障識別應用中，利用大量的輸電線路電壓故障特征向量訓練S-GRU模型，使損失函數的計算結果達到最低水平，損失函數如公式（5）所示。

（5）

式中：L為損失函數，屬于無量綱參數；N為特征向量的樣本數量；ε為樣本的特征標簽。

當2個特征向量屬于相同類別時，ε=0，否則ε≠0。損失函數L和Dw之間的關系如圖2所示。

1.2.4 運用IKH算法優化S-GRU故障辨識模型

IKH為改進的磷蝦群算法，可用于復雜問題尋優，旨在獲得故障分類識別的最優解。磷蝦個體的運動方式包括誘導、覓食、隨機擴散，通過以上方式對空間進行搜索，從而實現全局優化。本文運用IKH算法優化S-GRU故障識別模型，優化過程如下。1）采集輸電線路的短路故障電壓數據，按照第1.2.2節中的方法對原始數據進行預處理，得到輸電線路故障電壓的特征向量樣本。2）建立S-GRU故障識別模型，將特征向量輸入S-GRU模型中，對故障識別模型進行訓練。以損失函數L的計算結果最小為目標函數，運用IKH算法實現S-GRU模型參數尋優。在S-GRU故障識別模型中，IKH算法主要用于優化門控循環單元的權值參數，具體為更新門和重置門的權重。3）設置最小損失函數閾值ζ，在迭代優化過程中，當損失函數L≤ζ時，達到優化目標。如果實際迭代次數h超過允許最大迭代次數H，那么自動結束算法。4）獲得S-GRU的最優權值參數后，將其作為故障識別模型的固定參數，用于真實場景下的故障類別辨識。

2 IKH算法優化S-GRU故障辨識模型仿真檢測

2.1 仿真模型概況

為了檢驗第1小節中的故障辨識模型，利用MATLAB軟件搭建高壓輸電線路模型，該輸電線路具有雙端供電系統，涵蓋2條輸電線路，仿真模型的設計參數見表1。仿真過程持續時長為0.5s，短路故障發生時間為仿真開始后的第0.2s。

2.2 故障辨識過程及結果分析

2.2.1 故障數據預處理

仿真過程利用輸電線路模型采集4種短路故障的電壓數據，并且根據公式（1）～公式（3）完成數據預處理，將電壓數據轉化為歸一化的向量。由0lt;Hp1（m）lt;1可知，向量中的元素介于0～1[6]。表2為4種短路故障數據的預處理結果示例。

2.2.2 不同工況下的故障辨識精度

2.2.2.1 不同故障位置條件下的故障辨識精度

將已知的故障電壓特征向量作為測試數據，輸入訓練成熟的IKH優化S-GRU故障辨識模型。故障點設置在距離電源端10km、50km、100km、150km處，每一種短路故障設置20組測試數據，辨識結果見表3。由數據可知，故障辨識精度整體較高，4種故障距離的最低辨識成功率達到96.25%。

2.2.2.2 不同過渡電阻條件下的故障辨識精度

過渡電阻用于限制短路電流，將過渡電阻設置為0Ω、50Ω、100Ω、1000Ω，在4種故障類型下進行故障辨識，每一種短路故障的正確辨識率見表4。

2.2.3 不同故障辨識模型辨識準確率對比

為了客觀評價該故障辨識模型的準確率，對其設置2個對照組辨識模型，分別為VMD-GRU（通過VMD進行數據預處理，再由GRN完成故障辨識）、EMD-GRU（通過EMD提取故障特征，再由GRN完成故障辨識）。其中，EMD為經驗模態分解（Empirical Mode Decomposition）。將模型訓練數據設置為40、50、60、70、80、90、100組，再以相同的數據完成故障檢測，對比不同訓練程度的故障辨識準確率，結果如圖3所示。由數據可知，此次設計的故障辨識模型具有最高的準確率。

3 結語

S-GRN故障辨識模型融合了孿生神經網絡和門控循環單元，將后者作為孿生神經網絡的子網絡。在模型訓練階段，采集輸電線路4種短路故障的電壓數據，利用VMD方法將原始數據轉化為故障特征向量，作為故障辨識模型的輸入數據。

IKH算法具有優異的尋優功能，以該算法為基礎，對S-GRU的權值參數進行優化，使其達到最佳的故障辨識效果。

根據MATLAB的仿真結果，此次建立的故障辨識模型在不同故障距離或者不同過渡電阻條件下，均能有效辨識4種接地故障，并且準確率不低于96.25%。說明基于IKH優化S-GRU的輸電線路故障辨識模型具有較高的工程應用價值。

參考文獻

[1]王子康.輸電線路故障預測與智能診斷方法[J].儀器儀表標準化與計量，2024（2）：36-38，48.

[2]楊東寧，高雪林，師智良，等.基于變分模態分解和長短期記憶網絡的輸電線路故障診斷[J].電子器件，2024，47（3）：772-779.

[3]趙巖，孫江山.改進梯度提升樹算法的輸電線路故障識別[J].黑龍江科技大學學報，2024，34（2）：310-316.

[4]湯同峰，王峰，蔡德勝.基于小波分析的輸電線路故障識別檢測[J].電子設計工程，2024，32（1）：73-76，81.

[5]趙妍，王澤通，邢士標，等.基于CNN-BiGRU的高壓直流輸電線路故障識別[J].吉林電力，2024，52（1）：29-34，39.

[6]邢超，魏榮智，奚鑫澤，等.基于GRU的特高壓三端混合直流輸電線路故障區域識別方法[J].電力系統保護與控制，2023，51（10）：98-109.